改进遗传算法求解低碳约束的柔性车间调度问题

考虑了实际生产的碳排放问题,提出低碳排放约束下的柔性作业车间调度问题,以最大完工时间最小和碳排放最小为目标。采用改进的遗传算法求解低碳约束下的柔性作业车间调度问题,采用分步求解,先以最大完工时间最小进行调度方案的优化,再以碳排放指标进行调度方案的选取。在低碳约束下,同时考虑机器加工运转和空闲运转,设计不同机器间的碳排放模型。通过使用改进的遗传算法求解仿真案例得到不同的调度方案,根据预设碳排放模型比较分析得出调度方案的优劣。最后通过对企业生产实例的计算,并对不同调度方案进行总碳排放的对比,验证所建立的碳排放模型的有效性。     

考虑机器故障的柔性作业车间动态调度

针对生产过程中不确定性机器故障使初始调度方案可执行性降低的问题，提出了一种考虑机器故障概率的柔性作业车间重调度方法。采用事件和基于故障概率的周期混合驱动策略，综合使用多种重调度方式，引入最大完工时间偏差、工序开始时间累积偏差、工序机器变动量作为评价指标，借助结合变邻域搜索的改进遗传算法对调度方案进行求解。通过对处理后的柔性作业车间案例仿真分析，结果表明，相比于单一重调度方式该方法最优重调度方案在性能评价指标上有显著提升，验证了所提出重调度方法应对不同情况下机器故障扰动的优越性。     

遗传算法在车间作业调度上的应用

在车间作业调度数学模型的基础上,以遗传算法为优化工具对问题进行求解,着重介绍了生成可行调度的算法和对遗传算法的改进,同时选择典型的Job-Shop调度问题(FT06)作为算法的试验对象.最 后分别给出了基本遗传算法和改进后的遗传算法的测试结果,测试结果表明基本遗传算法在求解Job-Shop调度问题(FT06)时通常只能找到次优解,而改进后的遗传算法在求解该问题时基本能找到最优解.这一方面说明了基本遗传算法在求解实际调度问题中的不足,同时也表明该改进的遗传算法具有较大的可行性,也进一步说明了改进的遗传算法在解决实际调度问题具有更大的优势,这就揭示了实现对遗传算法的改进才是应用遗传算法解决实际调度问题的未来发展方向.     

制造业供应链外包下的高级计划与排程

考察每个客户订单有确定的交付期且外包可用情形下的计划调度问题,提出了制造供应链外包下的高级计划与排程(APS)模型.采用基于遗传算法的方法对该APS模型进行求解.仿真实验中,基于遗传算法的方法有效地解决了APS模型问题,生成了最佳的过程计划(带有外包的加工顺序和机器选择)以及所有订单的排程问题.     

基于混合遗传算法的多目标柔性作业车间调度问题研究

针对柔性作业车间调度问题,提出一种改进的遗传算法,该算法考虑车间生产实际,使交货期短、成本降低、生产效率提高、资源利用率提高等建立多目标优化模型。对传统遗传算法进行一系列改进,在遗传算法的基础上,改进编码方式和遗传算子,结合精英保留策略和小生境技术,使算法的收敛性和多样性进一步优化,采用权重系数变化法计算染色体的适应度。仿真分析表明,提出改进后的混合遗传算法能有效解决柔性作业车间多目标调度优化问题。     

柔性作业车间鲁棒调度与预防性维护集成优化

对柔性作业车间生产过程中预防性维护难以有效避免机器故障的发生,并且还存在各种无法预测的随机事件的问题进行了研究。为了有效应对这种情况,提出了多目标柔性作业车间鲁棒性调度与预防性维护的集成优化模型和在空闲时间进行预防性维护的策略,同时优化加工周期、机器可用性和调度方案的鲁棒性。应用多目标遗传算法NRGA对模型求解,并针对柔性作业车间调度问题的特点,采用三层编码方法。采用有效的交叉和变异操作避免产生非法解。最后通过模拟随机事件的发生进行仿真实验,结果表明提出的模型、维护策略和求解算法能够有效地提高生产效率、维护机器可用性、避免实际调度性能的恶化。     

基于熵增强混沌遗传算法的柔性作业车间调度

为使企业获得最优综合调度质量的车间调度方案,研究了多目标柔性作业车间调度数学模型及其求解算法,建立了基于最大完工时间、最大机器负荷差、机器总负荷和调度复杂度4个调度质量指标的多目标柔性作业车间调度问题模型(MFJSP),提出熵增强混沌遗传算法(ECGA)求解该模型,应用伯努利混沌映射公式改进算法选择操作,用高斯云模型改进变异算子和交叉算子,提高算法的全局寻优能力和搜索效率。根据计算的交叉概率和变异概率执行切牌式交叉操作和两基因片段式变异操作提高种群基因的多样性。以M8J12P3调度问题为例验证了MFJSP模型和ECGA算法的有效性。结果表明,与SGA、PSO和ABC相比,ECGA具有更快的收敛速度和更好的全局搜索能力,有助于企业提高生产效率和降低成本。     

基于遗传算法车间作业调度与eM-Plant实现

在分析车间作业计划的数学模型的基础上研究了在eM-Plant系统中建立车间作业调度仿真模型的关键技术,并且利用eM-Plant内置的遗传算法优化模块在现有仿真模型的基础上进行车间作业调度优化,最后以一个例子说明eM-Plant遗传算法模块的车间作业调度优化过程.     

改进学习型遗传算法求解柔性车间调度问题北大核心

针对智能优化算法在解空间搜索时忽略问题特征导致搜索效率无法进一步提升的问题,从柔性车间调度问题的特征入手,引入关键机器和搜索过程学习概念,提出一种基于关键机器的改进学习型遗传算法。首先,针对柔性车间调度问题解表达中的机器选择设计知识体,通过搜索过程得到的解更新知识体,并反馈到求解过程的引导;其次,使用了一种自适应的变异算子改善遗传算法早熟收敛的问题;然后,基于变换加工机器和加工顺序以及关键机器的思想设计了3种邻域结构;最后,引入关键机器的概念,并将其引入到知识体更新以及邻域搜索的过程中。仿真结果表明,较其它方法而言,本文提出的算法在不同规模的标准算例上找到最优解的能力更强。     

考虑调整时间的柔性作业车间调度问题研究

考虑到工件在机器上存在安装、定位等调整时间对生产调度效率的影响,将工件在加工机器上的调整时间和加工时间作为独立影响因素进行研究。以最大完工时间最小为优化目标,建立带有调整时间的柔性作业车间调度数学优化模型。通过改进遗传算法对提出的模型进行求解,实现求解过程的快速寻优。运用Matlab软件平台对实际案例进行仿真,实验结果表明建立的模型和改进的算法是可行的和有效的,能够更有效的指导实际生产。     

含局部流水的柔性作业车间调度研究

针对含有局部流水生产的柔性作业车间生产调度问题,首先在柔性作业车间调度问题的基础上建立调度模型,然后提出一种基于模拟退火法的调度算法,同时对加工路径和加工顺序进行优化,并实现最小化完工时间的调度目标。最后通过实例进行仿真,结果表明了算法的可行性和有效性。     

应用于复杂场合的多批次投递物料路径规划方法研究

为提高物料运输调度效率,减少作业时间,将2批次物料投递问题划分为3个阶段,将3个阶段的总作业时间最少作为目标函数,提出了一个混合整数规划模型。通过定义单双向车道约束和运输车辆路口会车约束,并引入多种群遗传算法,研究了多台物料运输小车的物料投递作业调度模型及算法。与单种群遗传算法和某公司历史数据相比,结果表明:该算法可在避免局部搜索的基础上大幅度提高系统的运算精度与速度,减少物料配送时间,可靠性高。该研究结果为提高企业的经济效益提供了参考,也为多批次物料投递作业优化及决策提供了新的思路。     

基于自适应遗传算法的模具制造动态调度研究

模具生产工艺复杂,生产过程动态多变,为有效求解模具制造动态调度问题,设计动态调度算法。文章首先建立简化模具企业车间作业调度问题模型,利用自适应遗传算法确定模具各工件各工序的加工方案。其次,考虑模具生产中的不确定因素,提出了局部更新和全局更新相结合的、基于滚动窗口技术的动态调度方法。最后,将算法用于求解实际模具企业车间作业调度问题,结果表明,该算法通用性强,可行性高。     

基于遗传算法的零件多工艺流程生产决策

针对具有多工艺流程的零件生产,提出采用遗传算法来解决车间生产的排产问题。以满足用户交货期等为约束,以生产成本最低为目标,建立多工艺流程零件排产的决策模型。采用遗传算法对调度求解空间中的加工路径在搜索规则的约束作用下进行遍历,最终寻找到能够满足要求的最优的调度方案。最后,用实例验证了该方法的可行性。     

基于自适应遗传算法的航材动态调度规划研究

针对民机不同维修任务的航材调度规划问题进行了深入研究,提出了基于改进自适应遗传算法动态库存的航材实时共享调度规划模型。结合任务时间窗的需求和停机惩罚函数为约束,以最小总成本为优化目标,建立了航材库动态环境下的航材调度模型。在此基础上,采用改进遗传算法对模型进行求解,编码方式采用染色体组的形式,在求解过程中,将交叉和变异概率根据适应值作出动态调整。通过算例仿真验证了该模型的可行性和有效性,为航材实时调度规划提供了理论方法依据。     

考虑多时间因素的绿色柔性作业车间动态调度

针对质检扰动引起的完工时间延迟和机床能耗高的问题,对绿色柔性作业车间动态调度进行研究.从考虑调整时间和质检时间的视角建立节能调度模型,采用加权归一的方式将多目标合并,利用改进的头脑风暴算法进行求解,在编码环节引进了转换机制和多层编码策略,优化了机器选择和工序排序问题.通过Matlab仿真软件对算例进行测试,研究结果表明...     

基于支持向量机的蠕墨铸铁表面粗糙度预测

目的准确预测蠕墨铸铁加工过程中的表面质量,指导加工参数调整,保证加工过程中加工质量的稳定,运用差分进化算法优化的SVM模型(DE-SVM)构建蠕墨铸铁表面粗糙度(Ra)预测模型和加工参数选择方法。方法采用DE-SVM提高支持向量机回归模型的预测精度,建立针对实际加工材料的表面粗糙度预测模型,基于构建的预测模型,挖掘表面粗糙度与加工参数之间的关系,从而获得较优的加工参数。结果结合蠕墨铸铁的铣削加工实验数据,对比DE-SVM与常用优化算法(粒子群优化算法(PSO)和遗传算法(GA))优化的SVM模型,DE-SVM模型获得的MAPE(0.122)和R2(0.9559)值均优于粒子群和遗传算法优化的支持向量模型获得MAPE和R2值。在给定的加工参数范围内,切削速度和进给速度对表面粗糙度的影响较大,且表面粗糙度与切削速度成正比关系,与进给速度成反比,而切削深度对表面粗糙度影响不显著。结论由实验的对比结果可知,采用DE-SVM模型建立的蠕墨铸铁表面粗糙度模型具有更高的预测精度,基于DE-SVM获得的加工参数对表面粗糙度的影响,可有效指导加工参数的选择与调整,对保持蠕墨铸铁优良的加工质量具有较好的指导意义。     

基于混合粒子群算法的注塑机电液伺服系统控制研究

注塑机电液伺服系统是一个时滞、非线性复杂系统,传统PID控制往往难以取得理想的控制效果。为了获取良好的控制效果,提出一种用混合粒子群算法优化PID控制器参数的方法,将模拟退火算法引入到粒子群算法中,能够更加快速、准确寻优出PID控制器最优参数。利用MATLAB仿真软件建立注塑机电液伺服系统控制模型,将混合粒子群算法与粒子群算法、遗传算法进行对比。仿真结果表明:利用混合粒子群算法优化的PID控制器收敛速度快、准确性高、鲁棒性强,明显提高了系统的控制性能。     

多任务小批量流水线遗传算法仿真与实施

文章阐述了在流水线调度时,可利用遗传算法计算出工件的最短通过时间, 但这并非最佳方案,应同时考虑交货期的影响、设备的负荷率和员工加班等问题.在设计过程中,根据多任务,小批量流水线生产的特点,改进常规遗传算法,设计出一种基于交货期的遗传算法,可以很快地搜索到最优个体,并实例证明了其可行性.